[发明专利]基于支持向量机的潜油柱塞泵故障诊断方法

摘要

基于支持向量机的潜油柱塞泵故障诊断方法，涉及潜油柱塞泵故障诊断方法。本发明是为了解决现有潜油柱塞泵的故障诊断方法误判率较高的问题。本发明首先针对n种工况下的每个周期的运行数据进行特征量提取；将特征量归一化得到故障诊断模型的输入向量；然后计算类i样本和类j样本之间的相对距离，并根据相对距离，通过不同类别的样本构造偏二叉树；利用LS‑SVM方法构造每级对应的二分类SVM；最后根据基于偏二叉树的SVM分类统计学习机器，对潜油直线电机运行数据进行分类，实现潜油柱塞泵故障诊断。本发明适用于潜油柱塞泵故障诊断。

主权项

基于支持向量机的潜油柱塞泵故障诊断方法，其特征在于包括如下步骤：步骤1、获取潜油直线电机在各种工况下的历史运行数据，针对n种工况下的每个周期的运行数据进行特征量提取，特征量包括：T_uu,T_ud,T_du,T_dd,I_uv,I_dv,I_um,I_dm,P_um,P_dm,P_uv,P_dv；T_uu为上冲程加载时间，T_ud为上冲程卸载时间，T_du为下冲程加载时间，T_ud为下冲程卸载时间，I_uv为直线电机上冲程电流方差，I_dv为直线电机下冲程电流方差，I_um为直线电机上冲程的电流均值，I_dm为直线电机下冲程的电流均值，P_um为上冲程载荷均值，P_dm为下冲程载荷均值，P_uv为上冲程载荷方差，P_dv为下冲程载荷方差；步骤2、构造输入空间向量：将提取的直线电机的所有特征量归一化到[‑1,1]之间，有${\stackrel{\‾}{x}}_i=2\frac{x_i-x_{min}}{x_{\max }-x_{min}}-1---(2-1)$式中：代表归一化数据；x_i代表特征量的原始数据值；x_max代表是各特征量序列中的最大值；x_min代表是各特征量序列中的最小值；分别把提取的特征量T_uu,T_ud,T_du,T_dd,I_uv,I_dv,I_um,I_dm,P_um,P_dm,P_uv,P_dv代入式(2‑1)中，得到特征量归一化数据能够得到故障诊断模型的输入向量G；$G={\[{\stackrel{\‾}{T}}_{uu},{\stackrel{\‾}{T}}_{ud},{\stackrel{\‾}{T}}_{du},{\stackrel{\‾}{T}}_{dd},{\stackrel{\‾}{I}}_{uv},{\stackrel{\‾}{I}}_{dv},{\stackrel{\‾}{I}}_{um},{\stackrel{\‾}{I}}_{dm},{\stackrel{\‾}{P}}_{um},{\stackrel{\‾}{P}}_{dm},{\stackrel{\‾}{P}}_{uv},{\stackrel{\‾}{P}}_{dv}\]}^T---(2-2)$步骤3、建立基于偏二叉树的SVM分类统计学习机器：步骤3.1、计算类i样本和类j样本之间的相对距离为D_ij：将n种工况记为n个类别，第i类工况记为类i；设X为包含n个类别的样本集，X_i为类i的样本集，也就是第i类工况下多个周期对应的输入向量的集合；则：类i的样本中心为：$c_i=\frac{1}{n_i}\underset{{\stackrel{\→}{x}}_i\∈X_i}{\Σ}{\stackrel{\→}{x}}_i,i=1,2,...,n---(3-1)$其中，c_i是类i的样本中心，n_i是类i的样本数量；为类i的样本，表示每个周期对应的输入向量G；则类i样本和类j样本的中心的欧氏距离为：d_ij＝||c_i‑c_j||；i,j＝1,2,…,n             (3‑2)类i样本的最小超球体半径为：R_i＝max{||c_i‑x_i||}                 (3‑3)类i样本和类j样本之间的相对距离为：$D_{ij}=\frac{d_{ij}}{R_i+R_j},D_{ij}\∈\[0,+\mathrm{\∞})---(3-4)$步骤3.2、根据相对距离D_ij，通过不同类别的样本构造偏二叉树；在分类的优先级上，将可分度高的类设为较高的优先级，最先识别出；其余的类依次排序；步骤3.3、根据样本集和偏二叉树每级左右子类，利用LS‑SVM方法构造每级对应的二分类SVM；步骤4、根据基于偏二叉树的SVM分类统计学习机器，对潜油直线电机运行数据进行分类，实现潜油柱塞泵故障诊断。